资产间的相关性与协方差

分散化只有在你持有的东西真的走得不一样时才有效。相关性就是你检查的工具。

协方差：原始的联动

协方差衡量两个资产是否一起动：

Cov(X,Y) = Σ (xi − μx)(yi − μy) ÷ (n − 1)

• 正 → 倾向于同涨同跌
• 负 → 一个涨时另一个跌
• 接近零 → 没有线性关系

问题：协方差有单位和量纲，没法跨对比较。一个"12"的协方差单独看啥也不是。

相关性：归一化版本

Pearson 相关性修了量纲问题：

ρ(X,Y) = Cov(X,Y) ÷ (σx · σy)

结果在 −1 到 +1 之间：

一个交易员持有两个 ρ = 0.95 的资产，从风险上讲就是同一个东西拿了两遍。

对组合为啥要紧

组合方差依赖相关性：

σp² = w1²σ1² + w2²σ2² + 2·w1·w2·ρ·σ1·σ2

ρ = 0 时，组合资产能大幅降低风险。ρ = 1 时，一点好处没有。相关性越低 → 分散越好 → 资金曲线越平滑。

危险的坑：相关性不恒定

平静市场里测的相关性（比如股债之间 ρ = 0.2）常常在崩盘时飙到 +0.8 或更高。你最需要分散化的那一刻它消失了。这就是为啥"分散"组合在危机里还是深度回撤。

Spearman：关系不是线性时

Pearson 只抓线性关系。如果资产 B 倾向于曲线或滞后跟随 A，Pearson 可能读到接近零，哪怕它们紧紧关联。Spearman 相关性先对数据排名，抓单调（基于排名的）关系——对噪声大的金融序列常常是更好的选择。

实操用法

1. 算滚动相关性，不是单一的全历史数字
2. 盯相关性状态变化——稳定的 ρ 突然断裂本身就是信号
3. 在 ρ 跳升的历史危机窗口上对分散化做压力测试
4. 别因为两个资产去年不相关就假设它们不相关

小结

协方差给你原始联动；相关性让它可读。两者合起来让你建出风险真的分散的组合——并警告你那个分散化是个会在下次崩盘时消失的幻觉。